CN103871002B - 基于自适应蜂群算法的风电功率预测方法及装置 - Google Patents

Abstract

本发明提供了一种基于自适应蜂群算法的风电功率预测方法及装置，方法包括：1）对风速、风电功率数据进行归一化处理，利用支持向量机回归建立预测模型；2）选取待优化参数及适应度函数，初始化蜜蜂及蜜源位置，调用均匀分布函数赋蜜蜂位置；3）对蜜蜂搜索空间进行lgx对数变换，并计算各食物源收益率；4）进行邻域搜索，并进行自适应权重系数调整；5）判断是否满足收敛条件，若满足则执行步骤6），否则返回执行步骤3）；6）获取优化后参数，更新预测模型；7）利用风电功率测试数据对更新后的预测模型进行训练并进行预测，得到预测结果。本发明有效提高了对风电机组的输出功率的预测精度，增强了风电并网的稳定性、经济性。

Description

基于自适应蜂群算法的风电功率预测方法及装置

技术领域

本发明涉及风电功率预测技术领域，特别是涉及一种基于自适应蜂群算法优化SVR的短期风电功率预测方法及装置。

背景技术

近年来，风能作为一种可再生能源，在全球范围内迅速发展。截止到2012年12月，世界风电装机容量已经从2000年的60GW增加到282.578GW，预计到2015年世界风电装机容量将达到460GW。随着风电的迅速发展，并网成为了充分利用风电的研究热点。风电的输出功率依赖于风速，然而由于风速的不确定性和间歇性，势必会给电网的稳定性带来严重冲击。

为了提高风电的利用率，增强风电并网的稳定性、经济性，需要对风电机组的输出功率进行有效的预测，以促进电力调度部门制定调度计划的合理性，进而减轻了风电并入对电网稳定性的冲击。

发明内容

本发明的目的在于，提供一种基于自适应蜂群算法的风电功率预测方法，采用支持向量机建立预测模型，同时采用自适应蜂群算法对其进行优化，利用优化的参数更新预测模型，有效提高了对风电机组的输出功率的预测精度，增强了风电并网的稳定性、经济性。

为达到上述目的，本发明提供了一种基于自适应蜂群算法的风电功率预测方法，包括以下步骤：

(1)对风速、风电功率数据进行归一化处理，以风速作为输入、风电功率作为输出，利用支持向量机回归建立预测模型，其中归一化公式为：

${\hat{x}}_i=\frac{x_i-x_{\min }}{x_{\max }-x_{\min }},$

式中为归一化后的数据值、x_i为原始数据值、x_max为原始数据最大值、x_min为原始数据最小值；

(2)选取待优化参数，以功率预测结果均方根误差作为自适应蜂群算法的适应度函数，初始化蜜蜂及蜜源位置，调用均匀分布函数赋蜜蜂位置，其中，待优化参数为支持向量机的惩罚系数C和核函数参数σ²，适应度函数公式为：

$T=\sqrt{\frac{1}{M}\underset{j=1}{\overset{M}{\Σ}}{(y_j-{\hat{y}}_j)}^2},$

T为适应度函数、M为训练样本总数、y_j和分别为功率实际值和预测值；

(3)对蜜蜂搜索空间进行lgx对数变换，并计算各食物源收益率，收益率计算公式为：

$fit\left(x_i\right)=\frac{1}{f\left(x_i\right)},0\≤x_i\≤N$

fit(x_i)为收益率，f(x_i)为适应度值，x_i为优化函数的变量，N为食物源；

(4)进行邻域搜索，并进行自适应权重系数调整，其中邻域搜索公式为：

$x_i^{\′\′}=x_i^{\′}+w*\mathrm{\α}(x_i^{\′}-x_k^{\′}),\left\{\begin{array}{cc}1\≤i\≤N,& 1\≤k\≤N\\ i\≠k,& \mathrm{\α}\∈\[-1,1\]\end{array}\right.$

x"_i为邻域搜索、x'_i是本次搜索食物源位置、x'_k是本次搜索前随机的食物源位置、w为自适应权重系数，N为食物源个数，

$w=\left\{\begin{array}{cc}{w}_{min}+\frac{w_{max}-w_{min}*\left(fit\right(x_i)-f{\left(x_i\right)}_{min})}{f{\left(x_i\right)}_{max}-f{\left(x_i\right)}_{min}},& fit\left(x_i\right)\&GreaterEqual;f{\left(x_i\right)}_{mean}\\ w_{max},& fit\left(x_i\right)<f{\left(x_i\right)}_{mean}\end{array}\right.;$

(5)判断是否满足收敛条件，若满足则执行步骤(6)，否则返回执行步骤(3)，其中所述收敛条件为达到最大迭代次数或达到设定的误差；

(6)获取优化后参数，更新预测模型；

(7)利用风电功率测试数据对更新后的预测模型进行训练并进行预测，得到预测结果。

为达到上述目的，本发明还提供了一种基于自适应蜂群算法的风电功率预测装置，包括：预测模型建立模块用于对风速、风电功率数据进行归一化处理，以风速作为输入、风电功率作为输出，利用支持向量机回归建立预测模型；初始化模块用于选取待优化参数，以功率预测结果均方根误差作为自适应蜂群算法的适应度函数，初始化蜜蜂及蜜源位置，调用均匀分布函数赋蜜蜂位置，其中，待优化参数为支持向量机的惩罚系数C和核函数参数σ²；收益率计算模块用于对蜜蜂搜索空间进行lgx对数变换，并计算各食物源收益率；邻域搜索模块用于进行邻域搜索，并进行自适应权重系数调整；第一判断模块用于判断是否满足收敛条件，若满足则调用更新模块，否则调用收益率计算模块，其中所述收敛条件为达到最大迭代次数或达到设定的误差；更新模块用于获取优化后参数，更新预测模型；预测结果获取模块用于利用风电功率测试数据对更新后的预测模型进行训练并进行预测，得到预测结果。

本发明基于自适应蜂群算法的风电功率预测方法及装置的优点是：采用支持向量机建立预测模型，同时采用自适应蜂群算法对其进行优化，利用优化的参数更新预测模型，有效提高了对风电机组的输出功率的预测精度，增强了风电并网的稳定性、经济性。

附图说明

图1是本发明基于自适应蜂群算法的风电功率预测方法的流程图；

图2是本发明基于自适应蜂群算法的风电功率预测装置的架构示意图。

具体实施方式

以下结合附图对本发明基于自适应蜂群算法的风电功率预测方法及装置进行详细说明，但是应当指出，本发明的实施方式是为了解释目的的优选方案，并不是对本发明范围的限制。

首先给出人工蜂群算法的工作原理。基本人工蜂群算法根据实际蜜蜂采蜜机制，将群体智能搜索模型分三个基本组成元素：食物源、采蜜蜂和待工蜂；该算法还包括蜜蜂三种基本行为模式：搜寻食物源、为食物源招募蜜蜂(即雇佣蜂)和放弃质量差的食物源。其中雇佣蜂的位置代表着优化问题的解，食物源的收益代表着优化问题的适应度值。

以优化最小问题为例：minf＝f(x_i),a_i≤x_i≤b_i；其中f是待优化的函数，x_i为优化函数的变量，a_i和b_i为x_i的上下界。

人工蜂群算法实现步骤：

(1)初始化，随机产生N个食物源和雇佣蜂；

(2)雇佣蜂计算各个食物源的收益率：

$fit\left(x_i\right)=\frac{1}{f\left(x_i\right)},0\&le;x_i\&le;N---\left(1\right)$

(3)跟随蜂根据收益率重新选择食物源，选择方法采用轮盘选择的方法，即：

$p_i=\frac{fit\left(x_i\right)}{\underset{i=1}{\overset{T}{\&Sigma;}}fit\left(x_i\right)}---\left(2\right)$

(4)雇佣蜂按式(3)进行邻域搜索：

x"_i＝x'_i+α(x'_i-x'_k)，1≤i≤N,1≤k≤N，且i≠k,α∈[-1,1] (3)

其中，x'_i是本次搜索食物源位置，x'_k是本次搜索前随机的食物源位置；

(5)通过收益率对比，更新每个雇佣蜂最优食物源位置及最优收益率；

(6)如果食物源在循环一次后没有改进，则抛弃该食物源，并利用下式选择新食物源位置：

$x_i^j=x_{\min }^j+rand(0,1)(x_{max}^j-x_{\min }^i),1\&le;i\&le;N,1\&le;j\&le;n---\left(4\right)$

其中，和为抛弃食物源的最近、最远位置，为新食物源的位置；

(7)判断是否满足收敛条件(即达到最大迭代次数或设定的误差)，若满足则停止，否则调回步骤(3)。

人工蜂群算法虽然具有结构简单、搜索能力强的优点，但在接近最优点时，易陷入局部最优。因此本发明对人工蜂群算法进行了改进，使其可以实现自适应的局部优化，也即自适应蜂群算法。

参见图1，本发明所述的基于自适应蜂群算法的风电功率预测方法的流程图，接下来对该方法所述步骤做详细说明。

S11：对风速、风电功率数据进行归一化处理，以风速作为输入、风电功率作为输出，利用支持向量机回归建立预测模型。

为了降低风电功率及风速数据的波动，训练前对其归一化处理。归一化公式为：

${\hat{x}}_i=\frac{x_i-x_{\min }}{x_{\max }-x_{\min }}---\left(5\right)$

式中，为归一化后的数据值、x_i为原始数据值、x_max为原始数据最大值、x_min为原始数据最小值。

S12：选取待优化参数，以功率预测结果均方根误差作为自适应蜂群算法的适应度函数，初始化蜜蜂及蜜源位置，调用均匀分布函数赋蜜蜂位置。

选取支持向量机的惩罚系数C和核函数参数σ²作为待优化参数。适应度函数公式为：

$T=\sqrt{\frac{1}{M}\underset{j=1}{\overset{M}{\&Sigma;}}{(y_j-{\hat{y}}_j)}^2}---\left(6\right)$

式中，T为适应度函数、M为训练样本总数、y_j和分别为功率实际值和预测值。T越小，预测效果越好。

S13：对蜜蜂搜索空间进行lgx对数变换，并计算各食物源收益率。

其中，收益率计算公式为：

$fit\left(x_i\right)=\frac{1}{f\left(x_i\right)},0\&le;x_i\&le;N---\left(7\right)$

式中，fit(x_i)为收益率，f(x_i)为适应度值，x_i为优化函数的变量，N为食物源个数。

S14：进行邻域搜索，并进行自适应权重系数调整。

其中邻域搜索公式为：

$x_i^{\&prime;\&prime;}=x_i^{\&prime;}+w*\mathrm{\&alpha;}(x_i^{\&prime;}-x_k^{\&prime;}),\left\{\begin{array}{cc}1\&le;i\&le;N,& 1\&le;k\&le;N\\ i\&NotEqual;k,& \mathrm{\&alpha;}\&Element;\&lsqb;-1,1\&rsqb;\end{array}\right.---\left(8\right)$

式中，x"_i为邻域搜索、x'_i是本次搜索食物源位置、x'_k是本次搜索前随机的食物源位置、w为自适应权重系数。

蜂群在局部搜索时易陷入局部最优，单调的惯性权重调节单一，很难满足精度要求。为了改善人工蜂群算法收敛性能，本发明在蜂群局部搜索时引入自适应权重系数w，避免局部搜索的盲目性，增强蜜蜂搜索的目标性。根据蜜蜂的收益率，确定动态自适应的权重系数，这样即使在同一时期、不同位置的蜜蜂所选取的惯性权重系数也不近相同，增加了蜂群搜索的多样性和目标性，从而提高蜂群收敛精度。

自适应权重系数w设置如式(9)：

$w=\left\{\begin{array}{cc}{w}_{min}+\frac{w_{max}-w_{min}*\left(fit\right(x_i)-f{\left(x_i\right)}_{min})}{f{\left(x_i\right)}_{max}-f{\left(x_i\right)}_{min}},& fit\left(x_i\right)\&GreaterEqual;f{\left(x_i\right)}_{mean}\\ w_{max},& fit\left(x_i\right)<f{\left(x_i\right)}_{mean}\end{array}\right.---\left(9\right).$

当蜜蜂跳出搜索空间边界时，现有技术是强制把蜜蜂位置设置在边界处，致使蜂群现有的结构遭到破坏；在搜索后期，很有可能大量蜜蜂聚集在边界处，使蜜蜂陷入局部最优，丧失蜜蜂的活性。本发明对跳出搜索空间的蜜蜂进行边界位置处理，避免了大量蜜蜂聚集在搜索边界上，使其处在边界附近的可行域内，既保存了蜂群的结构，又增加了种群的多样性。

边界位置处理公式为：

$\left\{\begin{array}{cc}{x}_{id}=x_{\min }+rand*(x_{\max }-x_{\min }),& x_{id}<x_{\min }\\ x_{id}=x_{\max }-rand*(x_{\max }-x_{\min }),& x_{id}>x_{\max }\end{array}\right.---\left(10\right)$

式中，x_max、x_min，x_id分别为蜜蜂搜索边界的上限、下限及当前位置的d维分量。

在人工蜂群算法优化过程中，蜜蜂搜索往往陷入局部极值停滞不动。作为优选的实施方式，本发明进一步包括：防止人工蜂群算法陷入局部最优的处理：步骤S18：判断食物源收益率(即蜜蜂适应度值的最优解)连续预设次数内是否改进，若收益率没改进，则执行步骤S19：利用柯西变异算子对当前最优值的一分量进行变异重新设置蜜蜂位置，并返回执行步骤S13；若收益率改进，则执行步骤S15。柯西算子容易生成远离原点的随机数，易使蜜蜂跳出局部最优值，增强蜜蜂的全局搜索能力。

假设当前蜜蜂最优解为X_g＝(x_g1,x_g2,···,x_gk,···,x_gD)，若连续没有更新，则进行变异，变异概率为P_m，变异后分量为：

x_gk＝x_gk+s·η(x_gk) (11)

式中，s为变异步长，η为柯西随机变量。η的表达式为：

$\mathrm{\&eta;}\left(t\right)=\frac{1}{\mathrm{\&pi;}}\&CenterDot;\frac{a}{t^2+a^2},-\mathrm{\&infin;}<t<+\mathrm{\&infin;}---\left(12\right)$

其中可以令a＝3。由于蜜蜂适应度值受s和P_m影响，其值设置较大会破坏蜂群结构和多样性，较小的值也不会起到变异效果。若s和P_m设为固定值，会使变异效率及变异步长相对单一，不能有效达到变异效果实现种群多样性。因此，s和P_m二者均进行迭代衰减变化操作。具体为：迭代初期，变异步长和变异概率较大，增加了种群的多样性，增强了种群全局搜索能力；后期变异，以较小的幅度和频率进行局部小扰动搜索，以便蜜蜂及时跳出局部最优，这样能更好的平衡种群全局搜索能力和局部开发能力。

S15：判断是否满足收敛条件，若满足则执行步骤S16，否则返回执行步骤S13。

其中所述收敛条件为达到最大迭代次数或达到设定的误差。

S16：获取优化后参数，更新预测模型。

通过自适应蜂群算法获取最优惩罚系数C和核函数参数σ²，并将其作为SVR(support vector regression，支持向量回归)模型的参数，更新预测模型。

S17：利用风电功率测试数据对更新后的预测模型进行训练并进行预测，得到预测结果。

作为优选的实施方式，本发明进一步包括：对预测结果进行误差分析并输出预测结果。

本发明采用支持向量机建立预测模型，同时采用自适应蜂群算法对其进行优化，利用优化的参数更新预测模型，有效提高了对风电机组的输出功率的预测精度，增强了风电并网的稳定性、经济性。

参见图2，本发明所述的基于自适应蜂群算法的风电功率预测装置的架构示意图，所述预测装置包括预测模型建立模块21、初始化模块22、收益率计算模块23、邻域搜索模块24、第一判断模块25、更新模块26、预测结果获取模块27以及第二判断模块28、变异模块29。

所述预测模型建立模块21，用于对风速、风电功率数据进行归一化处理，以风速作为输入、风电功率作为输出，利用支持向量机回归建立预测模型。其中归一化公式为公式(5)。

所述初始化模块22，用于选取待优化参数，以功率预测结果均方根误差作为自适应蜂群算法的适应度函数，初始化蜜蜂及蜜源位置，调用均匀分布函数赋蜜蜂位置。其中，待优化参数为支持向量机的惩罚系数C和核函数参数σ²，适应度函数公式为公式(6)。

所述收益率计算模块23，用于对蜜蜂搜索空间进行lgx对数变换，并计算各食物源收益率。其中收益率计算公式为公式(7)。

所述邻域搜索模块24，用于进行邻域搜索，并进行自适应权重系数调整。其中邻域搜索公式为公式(8)。蜂群在局部搜索时易陷入局部最优，单调的惯性权重调节单一，很难满足精度要求。为了改善人工蜂群算法收敛性能，本发明在蜂群局部搜索时引入自适应权重系数w，避免局部搜索的盲目性，增强蜜蜂搜索的目标性。根据蜜蜂的收益率，确定动态自适应的权重系数，这样即使在同一时期、不同位置的蜜蜂所选取的惯性权重系数也不近相同，增加了蜂群搜索的多样性和目标性，从而提高蜂群收敛精度。自适应权重系数w设置如式(9)。

当蜜蜂跳出搜索空间边界时，现有技术是强制把蜜蜂位置设置在边界处，致使蜂群现有的结构遭到破坏；在搜索后期，很有可能大量蜜蜂聚集在边界处，使蜜蜂陷入局部最优，丧失蜜蜂的活性。作为优选的实施方式，本发明所述邻域搜索模块24进一步用于对跳出搜索空间的蜜蜂进行边界位置处理，避免了大量蜜蜂聚集在搜索边界上，使其处在边界附近的可行域内，既保存了蜂群的结构，又增加了种群的多样性。边界位置处理公式为公式(10)。

在人工蜂群算法优化过程中，蜜蜂搜索往往陷入局部极值停滞不动。作为优选的实施方式，本发明所述装置进一步包括一与第一判断模块25相连的第二判断模块28，用于判断食物源收益率(即蜜蜂适应度值的最优解)连续预设次数内是否改进。若收益率没改进，则调用变异模块29利用柯西变异算子对当前最优值的一分量进行变异重新设置蜜蜂位置，并调用收益率计算模块23；若有改进，则调用第一判断模块25。变异后分量如公式(11)所示。通过变异，易使蜜蜂跳出局部最优值，增强蜜蜂的全局搜索能力。由于蜜蜂适应度值受变异步长和变异概率影响，其值设置较大会破坏蜂群结构和多样性，较小的值也不会起到变异效果。因此，变异步长和变异概率二者均进行迭代衰减变化操作。具体为：迭代初期，变异步长和变异概率较大，增加了种群的多样性，增强了种群全局搜索能力；后期变异，以较小的幅度和频率进行局部小扰动搜索，以便蜜蜂及时跳出局部最优，这样能更好的平衡种群全局搜索能力和局部开发能力。

所述第一判断模块25，用于判断是否满足收敛条件，若满足则调用更新模块26，否则调用收益率计算模块23。其中所述收敛条件为达到最大迭代次数或达到设定的误差。

所述更新模块26，用于获取优化后参数，更新预测模型。

通过自适应蜂群算法获取最优惩罚系数和核函数参数，并将其作为SVR模型的参数，更新预测模型。

所述预测结果获取模块27，用于利用风电功率测试数据对更新后的预测模型进行训练并进行预测，得到预测结果。

作为优选的实施方式，本发明所述预测结果获取模块28进一步用于对预测结果进行误差分析并输出预测结果。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于自适应蜂群算法的风电功率预测方法，其特征在于，包括以下步骤：

(1)对风速、风电功率数据进行归一化处理，以风速作为输入、风电功率作为输出，利用支持向量机回归建立预测模型，其中归一化公式为：

$\widehat{x_i}=\frac{x_i-x_{min}}{x_{\max }-x_{min}},$

式中为归一化后的数据值、x_i为原始数据值、x_max为原始数据最大值、x_min为原始数据最小值；

(2)选取待优化参数，以功率预测结果均方根误差作为自适应蜂群算法的适应度函数，初始化蜜蜂及蜜源位置，调用均匀分布函数赋蜜蜂位置，其中，待优化参数为支持向量机的惩罚系数C和核函数参数σ²，适应度函数公式为：

$T=\sqrt{\frac{1}{M}\underset{j=1}{\overset{M}{\&Sigma;}}{(y_j-{\hat{y}}_j)}^2},$

T为适应度函数、M为训练样本总数、y_j和分别为功率实际值和预测值；

(3)对蜜蜂搜索空间进行lgx对数变换，并计算各食物源收益率，其中收益率计算公式为：

$fit\left(x_i\right)=\frac{1}{f\left(x_i\right)},0\&le;x_i\&le;N$

fit(x_i)为收益率，f(x_i)为适应度值，x_i为优化函数的变量，N为食物源个数；

(4)进行邻域搜索，并进行自适应权重系数调整，其中邻域搜索公式为：

$x_i^{\&prime;\&prime;}=x_i^{\&prime;}+w*\mathrm{\&alpha;}(x_i^{\&prime;}-x_k^{\&prime;}),\left\{\begin{array}{c}1\&le;i\&le;N,1\&le;k\&le;N\\ i\&NotEqual;k,\mathrm{\&alpha;}\&Element;\&lsqb;-1,1\&rsqb;\end{array}\right.$

x"_i为邻域搜索、x′_i是本次搜索食物源位置、x'_k是本次搜索前随机的食物源位置、w为自适应权重系数，N为食物源个数，

$w=\left\{\begin{array}{cc}{w}_{min}+\frac{w_{max}-w_{min}*\left(fit\right(x_i)-f{\left(x_i\right)}_{min})}{f{\left(x_i\right)}_{\max }-f{\left(x_i\right)}_{min}},& fit\left(x_i\right)\&GreaterEqual;f{\left(x_i\right)}_{mean}\\ w_{max},& fit\left(x_i\right)<f{\left(x_i\right)}_{mean}\end{array}\right.;$

(5)判断是否满足收敛条件，若满足则执行步骤(6)，否则返回执行步骤(3)，其中所述收敛条件为达到最大迭代次数或达到设定的误差；

(6)获取优化后参数，更新预测模型；

(7)利用风电功率测试数据对更新后的预测模型进行训练并进行预测，得到预测结果。

2.根据权利要求1所述的基于自适应蜂群算法的风电功率预测方法，其特征在于，步骤(4)进一步包括：对跳出搜索空间的蜜蜂进行边界位置处理，边界位置处理公式为：

$\left\{\begin{array}{c}{x}_{id}=x_{\min }+rand*(x_{max}-x_{min}),x_{id}<x_{\min }\\ x_{id}=x_{\max }-rand*(x_{max}-x_{min}),x_{id}>x_{\max }\end{array}\right.,$

式中x_max、x_min，x_id分别为蜜蜂搜索边界的上限、下限及当前位置的d维分量。

3.根据权利要求1所述的基于自适应蜂群算法的风电功率预测方法，其特征在于，步骤(4)之后进一步包括：判断食物源收益率连续预设次数内是否改进，若收益率没改进，则利用柯西变异算子对当前最优值的一分量进行变异重新设置蜜蜂位置，并返回执行步骤(3)，变异后分量为：

x_gk＝x_gk+s·η(x_gk)，

其中s为变异步长，η为柯西随机变量，其表达式为：

$\mathrm{\&eta;}\left(t\right)=\frac{1}{\mathrm{\&pi;}}\&CenterDot;\frac{a}{t^2+a^2},-\mathrm{\&infin;}<t<+\mathrm{\&infin;}.$

4.根据权利要求3所述的基于自适应蜂群算法的风电功率预测方法，其特征在于，对变异概率以及变异步长均进行迭代衰减变化操作。

5.根据权利要求1所述的基于自适应蜂群算法的风电功率预测方法，其特征在于，步骤(7)进一步包括：对预测结果进行误差分析并输出预测结果。

6.一种基于自适应蜂群算法的风电功率预测装置，其特征在于，包括：

预测模型建立模块，用于对风速、风电功率数据进行归一化处理，以风速作为输入、风电功率作为输出，利用支持向量机回归建立预测模型，其中归一化公式为：

$\widehat{x_i}=\frac{x_i-x_{min}}{x_{\max }-x_{min}},$

式中为归一化后的数据值、x_i为原始数据值、x_max为原始数据最大值、x_min为原始数据最小值；

初始化模块与预测模型建立模块相连，用于选取待优化参数，以功率预测结果均方根误差作为自适应蜂群算法的适应度函数，初始化蜜蜂及蜜源位置，调用均匀分布函数赋蜜蜂位置，其中，待优化参数为支持向量机的惩罚系数C和核函数参数σ²，适应度函数公式为：

$T=\sqrt{\frac{1}{M}\underset{j=1}{\overset{M}{\&Sigma;}}{(y_j-{\hat{y}}_j)}^2},$

T为适应度函数、M为训练样本总数、y_j和分别为功率实际值和预测值；

收益率计算模块与初始化模块相连，用于对蜜蜂搜索空间进行lgx对数变换，并计算各食物源收益率，其中收益率计算公式为：

$fit\left(x_i\right)=\frac{1}{f\left(x_i\right)},0\&le;x_i\&le;N$

fit(x_i)为收益率，f(x_i)为适应度值，x_i为优化函数的变量，N为食物源个数；

邻域搜索模块与收益率计算模块相连，用于进行邻域搜索，并进行自适应权重系数调整，其中邻域搜索公式为：

$x_i^{\&prime;\&prime;}=x_i^{\&prime;}+w*\mathrm{\&alpha;}(x_i^{\&prime;}-x_k^{\&prime;}),\left\{\begin{array}{c}1\&le;i\&le;N,1\&le;k\&le;N\\ i\&NotEqual;k,\mathrm{\&alpha;}\&Element;\&lsqb;-1,1\&rsqb;\end{array}\right.$

x″_i为邻域搜索、x′_i是本次搜索食物源位置、x'_k是本次搜索前随机的食物源位置、w为自适应权重系数，N为食物源个数，

$w=\left\{\begin{array}{cc}{w}_{min}+\frac{w_{max}-w_{min}*\left(fit\right(x_i)-f{\left(x_i\right)}_{min})}{f{\left(x_i\right)}_{\max }-f{\left(x_i\right)}_{min}},& fit\left(x_i\right)\&GreaterEqual;f{\left(x_i\right)}_{mean}\\ w_{max},& fit\left(x_i\right)<f{\left(x_i\right)}_{mean}\end{array}\right.;$

第一判断模块分别与邻域搜索模块、收益率计算模块以及更新模块相连，用于判断是否满足收敛条件，若满足则调用更新模块，否则调用收益率计算模块，其中所述收敛条件为达到最大迭代次数或达到设定的误差；

更新模块与第一判断模块相连，用于获取优化后参数，更新预测模型；

预测结果获取模块与更新模块相连，用于利用风电功率测试数据对更新后的预测模型进行训练并进行预测，得到预测结果。

7.根据权利要求6所述的基于自适应蜂群算法的风电功率预测装置，其特征在于，邻域搜索模块进一步用于对跳出搜索空间的蜜蜂进行边界位置处理，边界位置处理公式为：

$\left\{\begin{array}{c}{x}_{id}=x_{\min }+rand*(x_{max}-x_{min}),x_{id}<x_{\min }\\ x_{id}=x_{\max }-rand*(x_{max}-x_{min}),x_{id}>x_{\min }\end{array}\right.,$

式中x_max、x_min，x_id分别为蜜蜂搜索边界的上限、下限及当前位置的d维分量。

8.根据权利要求6所述的基于自适应蜂群算法的风电功率预测装置，其特征在于，所述装置进一步包括一与第一判断模块相连的第二判断模块，用于判断食物源收益率连续预设次数内是否改进，若收益率没改进，则调用变异模块利用柯西变异算子对当前最优值的一分量进行变异重新设置蜜蜂位置，并调用收益率计算模块，变异后分量为：

x_gk＝x_gk+s·η(x_gk)，

其中s为变异步长，η为柯西随机变量，其表达式为：

$\mathrm{\&eta;}\left(t\right)=\frac{1}{\mathrm{\&pi;}}\&CenterDot;\frac{a}{t^2+a^2},-\mathrm{\&infin;}<t<+\mathrm{\&infin;}.$

9.根据权利要求8所述的基于自适应蜂群算法的风电功率预测装置，其特征在于，对变异概率以及变异步长均进行迭代衰减变化操作。

10.根据权利要求6所述的基于自适应蜂群算法的风电功率预测装置，其特征在于，所述预测结果获取模块进一步用于对预测结果进行误差分析并输出预测结果。